《Gemini 2.5：以先进推理、多模态、长上下文与新一代智能体能力推进前沿》

报告记录了什么

《Gemini 2.5：以先进推理、多模态、长上下文与新一代智能体能力推进前沿》是一份技术报告，署名 Google 的 Gemini 团队，作者名单由 Gheorghe Comanici、Eric Bieber 和 Mike Schaekermann 领衔，2025 年 7 月 7 日以编号 2507.06261 提交到 arXiv^[1]。这类报告通常是模型家族最主要的公开技术记录：有哪些模型、做了哪些设计选择、在哪些基准上报告了成绩。这份报告覆盖 Gemini 2.X 系列，即 Gemini 2.5 Pro 和 Gemini 2.5 Flash，以及更早的 Gemini 2.0 Flash 与 Flash-Lite^[1]。

一条成本曲线上的两个位置

报告把 Gemini 2.5 Pro 描述为一个思考型模型，在前沿编程与推理基准上达到最好水平^[1]。所谓思考型模型，指在给出答案之前先花额外的计算把中间推理过程走一遍，而不是一次成文。Gemini 2.5 Flash 则用远少于 2.5 Pro 的算力和延迟提供推理能力^[1]。把同一代能力放在差别很大的成本点上提供，是模型家族常见的做法：一道困难的编程或数学题值得用贵的模型，而一天要跑成千上万次的应用必须用便宜的那个。

报告把整个系列定位为：在复杂智能体式问题求解上，覆盖能力与成本之间的帕累托前沿（Pareto frontier）^[1]。帕累托前沿在这里指的是这样一组选项——想更强就得多花钱，想省钱就得让出能力；说一个家族而不是单个模型占据这条前沿，意思是每个价位上都有一个成员是当时最好的取舍。

用更少的视觉 token 装下更长的视频

Gemini 2.5 Pro 最多可以处理 3 小时视频内容^[1]。这一能力来自训练模型以每帧 66 个视觉 token 而不是 258 个来工作，从而在 100 万 token 的上下文窗口（context window）里装下约 3 小时而不是 1 小时的视频^[1]。上下文窗口是模型一次能同时"看到"的材料总量，视频之所以占地方，是因为每一帧都要被转成一串 token。把每帧的 token 数压到原来的大约四分之一，同一个窗口能容纳的素材就成倍增加——这正是从 1 小时到 3 小时背后的算术。代价是每帧保留的细节变少，这属于压缩上的取舍，需要训练过程去弥补。

Deep Think

报告把 Deep Think 描述为一种把并行思考技术融合进模型的推理方法^[1]。与沿单条推理链一路走下去不同，这类方法会同时展开若干条思路再汇总；报告把它作为一种并入模型本身的做法来介绍，而不是一个单独的产品。

它在家族中的位置

报告还回顾了 2025 年 2 月发布的实验性 Gemini 2.0 Pro，它的上下文窗口是家族中最大的，达到 200 万 token^[1]。把这段回顾与 2.5 的两个模型放在一起看，能看出这个家族同时在两条轴上推进：一条是推理深度，一条是上下文长度；而 2.5 这一代的工作重点，是在 100 万 token 的窗口里装进更多内容^[1]。对团队之外的读者来说，报告的价值在于它留下了这些具体选择的公开记录——视频的 token 换算、两个模型之间的成本差，以及推理在多大程度上被做进了模型本身。